Google は 2026 年 7 月 8 日（現地時間）、Android アプリ開発向けの公式 AI コーディングベンチマーク「Android Bench」の評価手法を刷新し、Claude Fable 5 を含む 8 つの新規モデルをリーダーボードに追加したことを発表しました。
今回の更新では、評価エージェントに「Harbor」フレームワークを採用したほか、開発者コミュニティからのタスク投稿やベンチマーク結果の共有も可能になっています。
評価手法を Harbor フレームワークに刷新
Android Bench は、Google が Android 開発特有の課題を評価するために開発した、Android アプリ開発に特化した AI モデルの性能評価ベンチマークです。
各モデルが 100 種類のコーディングタスクを 10 回実行し、成功したタスクの割合をスコア（%）として算出します。
これまで Android Bench は、汎用ベンチマークエージェントである mini-swe-agent v1 をベースに、Android 開発向けへ調整したものを使用していましたが、業界標準として採用が進む Harbor フレームワークへ移行しました。
Harbor は共通の標準と統合機能を備えており、誰でもベンチマークを実行し、任意の環境で評価を行い、結果を共有できるようになる点が特徴です。
また、評価手法の刷新にともない、全モデルでベンチマークが再実行されています。このためスコアには従来からの若干のずれが生じていますが、過去のスコアはアーカイブページから引き続き確認できます。
Claude Fable 5 が首位。新規 8 モデルを追加
今回のリーダーボード更新では、Claude Fable 5、Claude Sonnet 5、Claude Opus 4.8、GLM 5.2、Kimi K2.7 Code、MiniMax M3、Qwen 3.7 Plus、Qwen 3.7 Max の 8 モデルが新たに追加されました。
総合スコアでは Claude Fable 5 が 84.5% で首位となり、GPT 5.5 が 80.2% で 2 位、Claude Sonnet 5 が 76.2% で 3 位に続いています。
オープンウェイトモデルに限ると、GLM 5.2 が 72.2% で首位、Kimi K2.7 Code が 70.4% で 2 位という結果です。
以下は、7 月 8 日時点でのリーダーボード上位モデルの結果です。
| モデル | スコア (%) | 平均レイテンシ (h) | 平均コスト ($) |
|---|---|---|---|
| Claude Fable 5 | 84.5 | 8.0 | 133.2 |
| GPT 5.5 | 80.2 | 11.4 | 138.3 |
| Claude Sonnet 5 | 76.2 | 12.3 | 99.9 |
| GPT 5.4 | 74.1 | 8.4 | 83.4 |
| Gemini 3.1 Pro Preview | 73.7 | 10.6 | 87.4 |
| Claude Opus 4.8 | 72.4 | 6.7 | 88.0 |
| GLM 5.2 | 72.2 | 38.9 | 117.0 |
| Gemini 3.5 Flash | 71.1 | 28.3 | 165.6 |
| Kimi K2.7 Code | 70.4 | 31.8 | 48.1 |
| Claude Opus 4.7 | 68.7 | 7.0 | 96.5 |
レイテンシとコストの面では、Claude Opus 4.7 が平均 7.0 時間、96.5 ドルと効率面で優れている一方、GLM 5.2 は 38.9 時間とスコア上位のモデルの中では時間がかかる結果になっています。
今回追加されたモデルのうち、Claude Opus 4.6 と Claude Sonnet 4.5 はアーカイブへ移動し、リーダーボードから外れています。
Google は、Jetpack Compose の移行やウェアラブル向けネットワーク処理、プラットフォーム API の更新といった Android 特有の課題において、各モデルがどのように性能と効率のバランスを取っているかを確認できるとしています。
開発者コミュニティからのタスク投稿を開始
Android Bench は、開発者コミュニティから GitHub 上で独自の Android 開発タスクを投稿できるほか、任意のモデルやカスタムタスクに対するベンチマーク結果を実行して共有することも可能です。
投稿されたタスクは Google のチームが確認し、ベンチマークへの追加可否を判断します。
